位置感知自适应归一化：一种用于野火危险预报的深度学习方法
计算机视觉与模式识别
2023-06-30 v2
摘要
气候变化预计将加剧并增加天气循环中的极端事件。由于这对我们生活的各个领域有显著影响，近期工作致力于从地球观测中识别和预测此类极端事件。关于野火危险预报，以往的深度学习方法中将静态变量沿时间维度复制，并忽视了静态与动态变量之间的内在差异。此外，大多数现有的多分支架构在特征学习阶段丢失了分支间的相互联系。为解决这些问题，本文提出一种带位置感知自适应归一化层（LOAN）的2D/3D双分支卷积神经网络（CNN）。以LOAN作为基本构件，我们可根据地理方位调制动态特征。因此，我们的方法将特征属性视为统一而复合的2D/3D模型。此外，我们提出使用基于正弦的年中日期编码，为模型提供关于年内目标日的显式时间信息。实验结果表明，在具有挑战性的FireCube数据集上，我们的方法优于其他基线。结果显示位置感知自适应特征归一化是一种有前景的技术，可学习动态变量与其地理位置之间的关系，这对于以遥感数据作为分析基础的地区高度相关。源代码见 https://github.com/HakamShams/LOAN。
引用
@article{arxiv.2212.08208,
title = {Location-aware Adaptive Normalization: A Deep Learning Approach For Wildfire Danger Forecasting},
author = {Mohamad Hakam Shams Eddin and Ribana Roscher and Juergen Gall},
journal= {arXiv preprint arXiv:2212.08208},
year = {2023}
}